論文の概要: Differentiable Systematic Resampling for Variational Sequential Monte Carlo

• arxiv url: http://arxiv.org/abs/2610.12094v2
• Date: Mon, 12 Oct 2026 10:57:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-14 23:39:49.831353
• Title: Differentiable Systematic Resampling for Variational Sequential Monte Carlo
• Title（参考訳）: 変分系列モンテカルロの可微分型再サンプリング
• Abstract要約: そこで本研究では,系統的再サンプリングの温度制御型緩和法であるDSR(Spheriable Systematic Resampling)を導入する。 DSRは温度が消えるにつれて正確な系統的な再サンプリングに収束し、誘導バイアスに対して点方向の指数収束率を示す。 動的システムと実世界の手書きデータの実験は、DSRが同等または優れたフィルタリングと動的学習性能を達成することを示している。
• 参考スコア（独自算出の注目度）: 10.473764191237413
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Particle filters are a standard tool for nonlinear state estimation, but their resampling step is discrete, preventing gradient-based learning in variational sequential Monte Carlo. We introduce Differentiable Systematic Resampling (DSR), a temperature-controlled relaxation of systematic resampling, that preserves the CDF-ordered, banded structure of systematic resampling while enabling full gradient flow. DSR converges to exact systematic resampling as the temperature vanishes, and we prove a pointwise exponential convergence rate for the induced bias. Compared to optimal-transport-based differentiable resampling, DSR avoids iterative solvers and has substantially lower computational overhead. Experiments on stochastic dynamical systems and real-world handwriting data show that DSR achieves comparable or superior filtering and dynamics learning performance.
• Abstract（参考訳）: 粒子フィルタは非線形状態推定の標準的なツールであるが、その再サンプリングステップは離散的であり、モンテカルロ変分法における勾配に基づく学習を妨げている。 そこで本研究では,CDFを順序付け,バンド化した系統的再サンプリング構造を保存し,完全な勾配流を可能とした,系統的再サンプリングの温度制御緩和である微分可能系統的再サンプリング(DSR)を提案する。 DSRは温度が消えるにつれて正確な系統的な再サンプリングに収束し、誘導バイアスに対して点方向の指数収束率を示す。 最適なトランスポートベースの微分可能再サンプリングと比較すると、DSRは反復解法を回避し、計算オーバーヘッドを大幅に低減する。 確率的力学系と実世界の手書きデータの実験により、DSRは同等または優れたフィルタリングと動的学習性能を達成することが示された。

関連論文リスト

• PhoenixSR: Generative Heterogeneous Distillation Unleashes Efficient Models for Real-World Super-Resolution [77.62046566633215]
  実世界の超解像(SR)は、複雑な低分解能観測から知覚的に現実的な高分解能像を復元する必要がある。 PhoenixSRは独立に設計されたフィードフォワードSRネットワークに拡散先行を転送する生成ヘテロジニアス蒸留フレームワークである。 3つのSRベンチマークと6つのフィードフォワードバックボーン(SwinIR、HAT、Real-ESRGAN、SeeeMoRe)の実験は、ほとんど保存された復元フィデリティと一貫した知覚的改善を示している。
  論文  参考訳（メタデータ） (2026-09-25T08:34:32Z)
• TTSD-FAR: Test-Time Self-Distillation with Fisher-Anchored Restoration for Missing-Modality Emotion Recognition in LVLMs [83.78708832901194]
  大規模ビデオ言語モデル(LVLM)は、野生のマルチモーダル感情認識(ER)のようなマルチモーダルタスクにおいて顕著なパフォーマンスを示している。 しかし、現実のデプロイメントは依然として困難であり、テスト時にモダリティが欠落したりうる。 凍結した教師が自己蒸留により適応的な低学級の生徒を指導する手法を提案する。 MELD, DFEW, BAHを0%-50%のモダリティで実験した結果, この統一型適応復元設計はエントロピーベースの適応, RAG, およびパープレキシティベースの生成より一貫して優れていた。
  論文  参考訳（メタデータ） (2026-08-18T23:40:28Z)
• Precise: SDE-Consistent Stochastic Sampling for RL Post-Training of Flow-Matching Models [56.67321805551389]
  Reinforcement Learning (RL) は, 拡散・流れマッチングジェネレータにおいて, 迅速なアライメントと知覚品質の向上に有効な方法となっている。 探索行動の制御と力学のデノベーションを行うサンプルは、この方針の一部である。 有効探査と安定性のバランスをとる新しいサンプリング器を提案する。
  論文  参考訳（メタデータ） (2026-05-22T11:37:22Z)
• Clipping Bottleneck: Stabilizing RLVR via Stochastic Recovery of Near-Boundary Signals [83.0127582612634]
  Near-boundary Rescue (NSR) は最小限のプラグ・アンド・プレイの修正であり、失った信号を回復するために、アウト・オブ・バウンドトークンを保持する。 NSRはトレーニングの安定性を大幅に改善し、DAPOやGSPOといった強力なベースライン上で一貫したゲインを提供する。
  論文  参考訳（メタデータ） (2026-05-21T16:45:31Z)
• Bridging Restoration and Generation Manifolds in One-Step Diffusion for Real-World Super-Resolution [22.963799508399365]
  最近の単一段階蒸留は推論を加速するが、認識歪んだトレードオフに直面している。 実時間ISR(IDaS-SR)の適応的インバージョンと劣化認識サンプリングを提案する。 IDaS-SRは決定論的復元と生成のボトルネックを埋める一段階のフレームワークである。
  論文  参考訳（メタデータ） (2026-04-27T07:43:00Z)
• Inference-Time Scaling of Diffusion Language Models with Particle Gibbs Sampling [70.8832906871441]
  我々は、モデルを再訓練することなく、所望の報酬に向けて世代を操る方法を研究する。 従来の手法では、通常は1つの認知軌道内でサンプリングやフィルタを行い、軌道レベルの改善なしに報酬をステップバイステップで最適化する。 本稿では,拡散言語モデル(PG-DLM)の粒子ギブスサンプリングについて紹介する。
  論文  参考訳（メタデータ） (2025-07-11T08:00:47Z)
• Restoration Score Distillation: From Corrupted Diffusion Pretraining to One-Step High-Quality Generation [82.39763984380625]
  Score Distillation (DSD) の原理的一般化である textitRestoration Score Distillation (RSD) を提案する。 RSDは、ぼやけた画像、不完全画像、低解像度画像など、広範囲の汚職タイプに対応している。 自然と科学の両方のデータセットの様々な復元作業において、教師モデルを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-05-19T17:21:03Z)
• Denoising and Reconstruction of Nonlinear Dynamics using Truncated Reservoir Computing [0.0]
  本稿では,ノイズフィルタリングと非線形力学の再構成のための新しいReservoir Computing(RC)法を提案する。 動的パラメータにおける雑音強度, 雑音周波数, および劇的なシフトの観点から, RCの性能について検討した。 このフレームワークは低信号対雑音比と高周波範囲で競合精度を得る。
  論文  参考訳（メタデータ） (2025-04-17T21:47:13Z)
• System Identification for Continuous-time Linear Dynamical Systems [0.7510165488300368]
  潜在線形力学系の連続時間への学習の一般化は、ハイブリッドカルマンフィルタの使用を拡大する可能性がある。 トグルスイッチ型遺伝回路を表す潜伏多変量Fokker-Planck SDEのパラメータを学習し,本手法を適用した。
  論文  参考訳（メタデータ） (2023-08-23T05:53:13Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。